Το μάθημα ξεκινά με μια εισαγωγή, περιγράφει το test του Turing και αναφέρεται στα βασικότερα συστήματα τεχνητής νοημοσύνης που χρησιμοποιούμε σήμερα, συμπεριλαμβάνοντας τα μεγάλα γλωσσικά μοντέλα και τα συστήματα παραγωγής εικόνων και βίντεο. Στη συνέχεια, δίνονται οι βασικές κατηγορίες της τεχνητής νοημοσύνης, με ιδιαίτερη έμφαση στη μηχανική μάθηση και τις υπό-κατηγορίες της (επιβλεπόμενη μάθηση, μη-επιβλεπόμενη μάθηση και μάθηση με ενίσχυση). Το μάθημα προχωρά με μεγαλύτερη λεπτομέρεια στις μεθόδους επιβλεπόμενης μάθησης, κάνοντας μια εισαγωγή στην έννοια του μοντέλου, της εκπαίδευσης και των εννοιών της υπερ-μοντελοποίησης και της ύπο-μοντελοποίησης. Γίνεται παρουσίαση των προβλημάτων παλινδρόμησης και κατηγοριοποίησης. Εισάγεται η έννοια του τεχνητού νευρώνα, των νευρωνικών δικτύων και του αλγορίθμου οπισθοδρομικής διάδοσης του σφάλματος. Γίνεται αναφορά στις μεθόδους βαθιάς μάθησης και στη διαδικασία αυτόματης εκμάθησης χαρακτηριστικών (representation learning). Στη συνέχεια το μάθημα καλύπτει μεθόδους μη-επιβλεπόμενης μάθησης και περιγράφει αλγορίθμους συσταδοποίησης. Ακόμα, γίνεται μια σύντομη εισαγωγή στη μάθηση με ενίσχυση και στον αλγόριθμο Q-learning. Το μάθημα περιγράφει συνοπτικά ορισμένες σύγχρονες δομές νευρωνικών δικτύων όπως τα συνελικτικά νευρωνικά δίκτυα (CNNs), τα Recurrent Neural Networks (RNNs), οι (variational) autoencoders, τα Generative Adversarial Networks (GANs), η μοντελοποίηση των συμφραζομένων (context modeling) και οι δομές transformers. Τέλος, γίνεται μια αναφορά σε εφαρμογές της τεχνητής νοημοσύνης με έμφαση στον τομέα της επικοινωνίας.